如何判断“啥时候睡觉”和“几点休息”是同一个问题？一文搞懂向量搜索实战

背景

在问答系统中判断"啥时候开始睡觉？"和"开始休息的时间是？"是否属于同一个问题，就不能按照简单字符串匹配去实现了，而是一个语义相似度 + 意图识别的问题。

使用Embedding，把词/句子/文档映射为多维空间中的向量，语义相近的文本在向量空间中距离更近，语义相远的距离更远，通过向量相似度度量（如余弦相似度）来实现"语义相似度"。

Embedding是什么

Embedding中文含义为向量嵌入，在国内高中就会开始学习向量相关的内容，所以其实这些你都学习过。

向量长什么样子？这里以最简单的举例，奶茶的口味主要根据茶味和甜度来控制，使用坐标系表示出来就是下图这样。

蓝色的箭头就是这杯奶茶的向量，你的口味越重长度约长，箭头的方向表示你口味偏好。

你的朋友喝奶茶的口味跟你不太一样，使用向量表示出来是下面这样的。

你和你朋友的口味相似度有多高，通过肉眼就可以分辨，这只是二维向量，在计算机中判断两句话的相似度有很多维度，主流开源的模型大多数是1024维，商用的OpenAI的text-embedding-3-small维度是1536维，Gemini Embedding维度达到了3072维，Qwen3-Embedding-8B的开源系列更是达到了4096维。

在相同训练参数（同模型、同数据、同步数）下，维度增加到某一点会提升表达力，但超过"模型容量适配维度"后收益迅速递减，甚至有害。

PostgreSQL用来干啥

PostgreSQL在保留传统关系型数据库能力的同时，通过扩展支持了“向量相似度检索”，让你可以在一张表里既存业务字段，又存向量，还能一起过滤 + 排序。

PostgreSQL 本身不支持向量计算，但是官方社区扩展了pgvector插件，这个插件支持下面这三种能力。

开始实战

安装PostgreSQL

我这里使用的是Docker Compose安装的，如果不会可以先去安装一个Docker和Docker Compose。

① 创建docker-compose.yml文件，写入如下内容：

version: "3.8"
​
services:
  pgvector:
    image: pgvector/pgvector:pg16
    container_name: pgvector
    # PostgreSQL 共享内存，向量索引构建时建议 ≥512M~1G
    shm_size: 1g
    environment:
      POSTGRES_PASSWORD: 123456
      POSTGRES_DB: vectordb
      PGDATA: /var/lib/postgresql/data/pgdata
    ports:
      - "5432:5432"
    volumes:
      # 数据持久化
      - ./pgdata:/var/lib/postgresql/data
      # 首次初始化时自动执行 CREATE EXTENSION vector;
      - ./init.sql:/docker-entrypoint-initdb.d/init.sql:ro

② 在该文件同级目录下创建pgdata文件夹和init.sql文件，init.sql文件内容如下所示：

-- 自动在 POSTGRES_DB 对应的库中安装 pgvector 扩展
-- 仅在容器【首次初始化】时执行一次
CREATE EXTENSION IF NOT EXISTS vector;
​
-- 问答对嵌入向量表
CREATE TABLE IF NOT EXISTS qa_embedding (
    id UUID PRIMARY KEY,
    question TEXT NOT NULL,
    answer TEXT NOT NULL,
    embedding vector(1024),
    create_time BIGINT,
    update_time BIGINT
);
​
-- 为embedding列创建IVFFlat索引，加速相似度查询
CREATE INDEX IF NOT EXISTS idx_qa_embedding_vector ON qa_embedding USING ivfflat (embedding vector_cosine_ops) WITH (lists = 100);

需要注意embedding字段类型应该与你使用的Embedding接口返回的维度相同，我这里用的是腾讯混元的Embedding接口返回的是1024维。

③ 命令行提示符进入当前文件所在路径，执行docker-compose up -d即可完成安装。

项目核心代码

以Spring Boot项目为例。

① 添加pom依赖

<!-- PostgreSQL 驱动 -->
<dependency>
    <groupId>org.postgresql</groupId>
    <artifactId>postgresql</artifactId>
    <version>42.7.3</version>
</dependency>
​
<!-- JDBC -->
<dependency>
    <groupId>org.springframework.boot</groupId>
    <artifactId>spring-boot-starter-jdbc</artifactId>
</dependency>

② 创建数据库表qa_embedding的映射类，这里代码较长，估省略。

③ 使用JDBC执行SQL，也可以使用其他ORM框架执行，我这里只是描述比较通用的方式。

SELECT id, question, answer, 1 - (embedding <=> ?::vector) AS similarity
FROM qa_embedding
WHERE (embedding <=> ?::vector) < 0.5
ORDER BY embedding <=> ?::vector;

注意：

<=>是 pgvector 的余弦距离运算符；

?::vector是 PreparedStatement 的参数占位符，将用户的话转成Embedding向量数组放在这里；

similarity是通过 1 - cosine_distance计算出的余弦相似度。

其中的0.5表示相似度高于这个值时才返回的筛选条件。

怎么转Embedding

只要提供大语言模型API的厂商都会有Embedding接口，因为大语言模型也需要依赖于Embedding。

正好我有腾讯混元的免费额度，这里展示一个腾讯混元Embedding接口返回的Embedding向量值，总共1024维，所以比较长，这里只截局部。

最终效果

实际应用小程序后

参考资料

[1] 3Blue1Brown 风格中文解说. 一杯奶茶教会你什么是向量 | 算法的数学基础01[EB/OL]. (2025)[2026-06-05].https://www.bilibili.com/video/BV1DX9EBMEec.